闯关地图-基础岛

基础岛

第1关

任务：观看本关卡视频（未上传制作中）后，写一篇关于书生大模型全链路开源开放体系的笔记发布到知乎、CSDN等任一社交媒体，将作业链接提交到以下问卷，助教老师批改后将获得 100 算力点奖励！！！

第2关

基础任务

任务：使用 Cli Demo 完成 InternLM2-Chat-1.8B 模型的部署，并生成 300 字小故事，记录复现过程并截图。

使用transformer库函数实现模型问答，并生成300字小故事，Python程序如下：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

model_dir = '/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b'

tokenizer = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)

model = AutoModelForCausalLM.from_pretrained(model_dir, torch_dtype=torch.float16, trust_remote_code=True).cuda()
model = model.eval()

# Initialize conversation history
history = []

def ask_by_query(model, query, 
                 history=[]):
    response = None
    length = 0
    for response, history in model.stream_chat(tokenizer,
                                                    query,
                                                    history=history):
        print(response[length:], end='', flush=True)
        length = len(response)
    print('')   
    return history

print("开始对话，输入'exit'退出对话")
history = []

while True:
    # 获取用户输入
    inp = input("[INPUT] ")
    if inp.lower() == 'exit':
        print("结束对话。")
        break

    # 生成响应
    print("[OUTPUT] ", end='')
    history = ask_by_query(model, inp, history)

效果图如下：

img

进阶任务

  • 使用 LMDeploy 完成 InternLM-XComposer2-VL-1.8B 的部署，并完成一次图文理解对话，记录复现过程并截图。（优秀学员必做）

  • 使用 LMDeploy 完成 InternVL2-2B 的部署，并完成一次图文理解对话，记录复现过程并截图。（优秀学员必做）

  1. 使用Streamlit部署InternLM2-Chat-1.8B模型

    命令行执行：streamlit run Tutorial/tools/streamlit_demo.py --server.address 127.0.0.1 --server.port 6660即可在本地端口号6660执行在线的Demo

    运行如下命令设置端口映射：

    ssh -p {ssh端口} root@ssh.intern-ai.org.cn -CNg -L 7860:127.0.0.1:8501 -o StrictHostKeyChecking=no

    将远程开发机的8501端口映射到本机的7860端口

    设置端口映射后，使用浏览器访问http://127.0.0.1:6660，效果图如下：

    img

  2. 使用LMDeploy部署InternLM-XComposer2-VL-1.8B模型

    安装环境依赖：

    conda activate lmdeploy
pip install lmdeploy[all]==0.5.1
pip install timm==1.0.7

    执行命令：

    lmdeploy serve gradio /share/new_models/Shanghai_AI_Laboratory/internlm-xcomposer2-vl-1_8b --cache-max-entry-count 0.1

    效果图如下：

    img

  3. 使用LMDeploy部署InternVL2-2B模型

    执行命令（在上一步的基础上）：

    lmdeploy serve gradio /share/new_models/OpenGVLab/InternVL2-2B --cache-max-entry-count 0.1

    效果图如下：

    img

第3关

基础任务

  • 背景问题：近期相关研究发现，LLM在对比浮点数字时表现不佳，经验证，internlm2-chat-1.8b (internlm2-chat-7b)也存在这一问题，例如认为13.8<13.11。
  • 任务要求：利用LangGPT优化提示词，使LLM输出正确结果。完成一次并提交截图即可

  1. 利用月之暗面 Kimi x LangGPT 提示词专家生成LangGPT提示词解决上述问题：

    img

  2. 生成的LangGPT提示词如下：

    - Role: 数学逻辑专家
- Background: 用户在使用LLM进行浮点数比较时遇到了问题，LLM错误地认为"13.8 < 13.11"。用户需要一个能够指导LLM正确比较浮点数的提示词。
- Profile: 你是一位专注于逻辑和数学的专家，擅长解决与数字比较相关的问题。
- Skills: 逻辑推理、数学运算、精确度理解、编程知识。
- Goals: 设计一个提示词，帮助LLM正确理解和比较浮点数。
- Constrains: 提示词需要简单明了，易于LLM理解和执行。
- OutputFormat: 指令性文本，可能包含示例。
- Workflow:
  1. 明确浮点数比较的逻辑规则。
  2. 设计一个示例，展示正确的比较方法。
  3. 提供一个通用的比较指令，适用于所有浮点数比较。
- Examples:
  - 比较示例：13.8 和 13.11，正确的比较结果是 13.8 > 13.11。
  - 比较逻辑：比较浮点数时，应该从左到右逐位比较，直到找到不同的位数，然后比较这些位数的数值大小。
- Initialization: 欢迎使用浮点数比较助手，让我们一起确保每次比较都是准确的！

  3. 使用LMDeploy部署InternLM2-Chat-1.8B模型：

    运行命令：CUDA_VISIBLE_DEVICES=0 lmdeploy serve api_server /share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b --server-port 23333 --api-keys internlm2

    运行完以上指令，将生成接口：http://0.0.0.0:23333/v1

  4. 图像化界面调用接口：

    cp Tutorial/tools/chat_ui.py ./
streamlit run chat_ui.py

  5. 在系统提示中填入上面的LangGPT提示词，实验效果图如下：

    img

进阶任务

  • 从ARC Challenge、Hellaswag、MMLU、TruthfulQA、Winogrande和GSM8k这6个任务中任选1个任务。

    • AI2 Reasoning Challenge(考试-初中/高中/大学/职业考试-ARC), 25-shot, 一套小学级别的科学问题；

      1. 运行以下脚本启动api_server

        # 修改为模型本地存储的位置
model_dir="/home/scy/models/internlm/internlm2-chat-1_8b"
lmdeploy serve api_server $model_dir --server-port 23333 --api-keys internlm2

      2. 在opencompass/configs文件夹中新建文件eval_internlm_with_prompt_arc.py，代码如下：

        from mmengine.config import read_base
from opencompass.models.turbomind_api import TurboMindAPIModel


with read_base():
    from .datasets.ARC_c.ARC_c_gen import ARC_c_datasets

system_prompt = """
- Role: 高级问答系统工程师和认知科学家
- Background: 用户需要设计一个能够准确回答AI2 Reasoning Challenge（ARC）测试中问题的高级问答系统。ARC测试包含需要复杂推理和常识应用的问题，这些问题超出了传统问答系统的能力范围。
- Profile: 你是一个在自然语言处理和机器学习领域具有深厚背景的专家，专注于构建能够理解和推理复杂问题的认知系统。
- Skills: 你需要掌握深度学习、知识表示、推理算法和自然语言理解等关键技能，以便构建能够处理ARC级别挑战的系统。
- Goals: 开发一个能够准确理解并回答ARC测试中复杂问题的高级问答系统。
- Constrains: 系统应能够处理需要推理、常识应用和深层次文本理解的问题，同时保证高准确性和可靠性。
- OutputFormat: 输出应包括问题的答案和支持该答案的推理过程。
- Workflow:
1. 理解问题并确定所需的信息和推理类型。
2. 检索和分析相关的背景知识和事实。
3. 应用推理算法来整合信息并得出答案。
4. 验证答案的准确性并通过反例测试来增强系统的鲁棒性。
- Examples:
- 例子1：问题 "Which property of a mineral can be determined just by looking at it?" 答案 "luster" 推理 "通过观察矿物可以确定其光泽，因为光泽是矿物表面反射光的属性，与物理接触无关。"
- 例子2：问题 "A student riding a bicycle observes that it moves faster on a smooth road than on a rough road. This happens because the smooth road has (A) less gravity (B) more gravity (C) less friction [correct] (D) more friction" 答案 "less friction" 推理 "平滑路面摩擦力小，因此自行车可以更快地移动，因为摩擦力是阻碍运动的力。"
-Initialization: 在第一次对话中，请直接输出以下：您好，作为一个专注于复杂问题解答的高级问答系统工程师，我可以帮助您解答需要深度推理和常识应用的问题。请提出您的问题，我将尽我所能提供最准确的答案。
"""

meta_template = dict(
    round=[
        dict(role='SYSTEM', fallback_role='HUMAN', prompt=system_prompt),
        dict(role='HUMAN', begin=f'<|User|>:\n{system_prompt}\n', end='\n'),
        dict(role='BOT', begin='<|Bot|>:', end='<eoa>\n', generate=True),
    ],
    eos_token_id=103028
)


internlm_chat_1_8b = dict(
    type=TurboMindAPIModel,
    abbr='internlm2-chat-1_8b',
    api_addr='http://0.0.0.0:23333',
    api_key='internlm2',
    max_out_len=100,
    max_seq_len=2048,
    batch_size=16,
    meta_template=meta_template,
    run_cfg=dict(num_gpus=1, num_procs=2),
    end_str='<eoa>',
)

datasets = ARC_c_datasets  # 评测用的数据集
models = [internlm_chat_1_8b]  # 评测用的模型

      3. 运行以下脚本，启动评测：

        python run.py configs/eval_internlm_with_prompt_arc.py

      4. 效果图如下：

        img

    • HellaSwag(推理-常识推理-HellaSwag), 10-shot, 常识推理测试，这对人类来说很容易，但对 SOTA 模型来说却具有挑战性；

      1. 方法同上，需要修改system_prompt变量的值，和使用的评测数据集，代码如下：

        from mmengine.config import read_base
from opencompass.models.turbomind_api import TurboMindAPIModel


with read_base():
    from .datasets.hellaswag.hellaswag_gen import hellaswag_datasets

system_prompt = """
- Role: 高级问答系统工程师和认知科学家
- Background: 用户需要设计一个能够准确回答AI2 Reasoning Challenge（ARC）测试中问题的高级问答系统。ARC测试包含需要复杂推理和常识应用的问题，这些问题超出了传统问答系统的能力范围。
- Profile: 你是一个在自然语言处理和机器学习领域具有深厚背景的专家，专注于构建能够理解和推理复杂问题的认知系统。
- Skills: 你需要掌握深度学习、知识表示、推理算法和自然语言理解等关键技能，以便构建能够处理ARC级别挑战的系统。
- Goals: 开发一个能够准确理解并回答ARC测试中复杂问题的高级问答系统。
- Constrains: 系统应能够处理需要推理、常识应用和深层次文本理解的问题，同时保证高准确性和可靠性。
- OutputFormat: 输出应包括问题的答案和支持该答案的推理过程。
- Workflow:
1. 理解问题并确定所需的信息和推理类型。
2. 检索和分析相关的背景知识和事实。
3. 应用推理算法来整合信息并得出答案。
4. 验证答案的准确性并通过反例测试来增强系统的鲁棒性。
- Examples:
- 例子1：问题 "Which property of a mineral can be determined just by looking at it?" 答案 "luster" 推理 "通过观察矿物可以确定其光泽，因为光泽是矿物表面反射光的属性，与物理接触无关。"
- 例子2：问题 "A student riding a bicycle observes that it moves faster on a smooth road than on a rough road. This happens because the smooth road has (A) less gravity (B) more gravity (C) less friction [correct] (D) more friction" 答案 "less friction" 推理 "平滑路面摩擦力小，因此自行车可以更快地移动，因为摩擦力是阻碍运动的力。"
-Initialization: 在第一次对话中，请直接输出以下：您好，作为一个专注于复杂问题解答的高级问答系统工程师，我可以帮助您解答需要深度推理和常识应用的问题。请提出您的问题，我将尽我所能提供最准确的答案。
"""

meta_template = dict(
    round=[
        dict(role='SYSTEM', fallback_role='HUMAN', prompt=system_prompt),
        dict(role='HUMAN', begin=f'<|User|>:\n{system_prompt}\n', end='\n'),
        dict(role='BOT', begin='<|Bot|>:', end='<eoa>\n', generate=True),
    ],
    eos_token_id=103028
)


internlm_chat_1_8b = dict(
    type=TurboMindAPIModel,
    abbr='internlm2-chat-1_8b',
    api_addr='http://0.0.0.0:23333',
    api_key='internlm2',
    max_out_len=100,
    max_seq_len=2048,
    batch_size=16,
    meta_template=meta_template,
    run_cfg=dict(num_gpus=1, num_procs=2),
    end_str='<eoa>',
)

datasets = hellaswag_datasets  # 评测用的数据集
models = [internlm_chat_1_8b]  # 评测用的模型

      2. 效果图如下：

        img

    • MMLU(考试-初中/高中/大学/职业考试-MMLU), 5-shot, 是一项用于测量文本模型多任务准确性的测试。该测试涵盖 57 项任务，包括初等数学、美国历史、计算机科学、法律等；

    • TruthfulQA(安全-安全-TruthfulQA), 0-shot, 是一项用于衡量模型复制网上常见虚假信息倾向的测试；

    • Winogrande(语言-指代消解-WinoGrande), 5-shot, 一个更具有对抗性，难度更高的常识推理测试；

    • GSM8k(推理-数学推理-GSM8K), 5-shot, 多样化的小学数学单词问题，以衡量模型解决多步骤数学推理问题的能力；

  • 任选其中1个任务基于LangGPT格式编写提示词 (优秀学员最少编写两组)。
  • 使用OpenCompass进行评测，用lmdeploy部署LLM为internlm2.5-chat-7b，编写的提示词作为系统提示。
  • 达标要求：将不使用系统提示的internlm2.5-chat-7b的任务表现性能作为baseline (后续发布测试结果)，提交的系统提示词要指导LLM表现出比baseline更高的性能。

第4关

基础任务

  • 任务要求：基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前InternLM2-Chat-1.8B模型不会回答，借助 LlamaIndex 后 InternLM2-Chat-1.8B 模型具备回答 A 的能力，截图保存。

  1. 未使用RAG（Retrieval Augmented Generation，检索增强生成），直接询问InternLM2-Chat-1.8B模型“xtuner是什么？”时

    运行以下指令，创建软链接：

    ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b/ ~/models/

    新建llamaindex_internlm.py文件，代码如下：

    from llama_index.llms.huggingface import HuggingFaceLLM
from llama_index.core.llms import ChatMessage
llm = HuggingFaceLLM(
    model_name="/root/models/internlm2-chat-1_8b",
    tokenizer_name="/root/models/internlm2-chat-1_8b",
    model_kwargs={"trust_remote_code":True},
    tokenizer_kwargs={"trust_remote_code":True}
)

rsp = llm.chat(messages=[ChatMessage(content="xtuner是什么？")])
print(rsp)

    运行指令python llamaindex_internlm.py，效果图如下：

    img

  2. 使用LlamaIndex RAG后

    执行以下指令安装相关依赖：

    • pip install llama-index==0.10.38 llama-index-llms-huggingface==0.2.0 "transformers[torch]==4.41.1" "huggingface_hub[inference]==0.23.1" huggingface_hub==0.23.1 sentence-transformers==2.7.0 sentencepiece==0.2.0

    • pip install llama-index-embeddings-huggingface llama-index-embeddings-instructor

    下载Sentence Transformer模型：

    新建python文件并执行，代码如下：

    import os

# 设置环境变量
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'

# 下载模型
os.system('huggingface-cli download --resume-download sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 --local-dir /root/model/sentence-transformer')

    下载NLTK相关资源：

    cd /root
    git clone https://gitee.com/yzy0612/nltk_data.git --branch gh-pages
    cd nltk_data
    mv packages/* ./
    cd tokenizers
    unzip punkt.zip
    cd ../taggers
    unzip averaged_perceptron_tagger.zip

    新建llamaindex_RAG.py文件，代码如下：

    from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings

from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.llms.huggingface import HuggingFaceLLM

#初始化一个HuggingFaceEmbedding对象，用于将文本转换为向量表示
embed_model = HuggingFaceEmbedding(
#指定了一个预训练的sentence-transformer模型的路径
    model_name="/root/models/sentence-transformer"
)
#将创建的嵌入模型赋值给全局设置的embed_model属性，
#这样在后续的索引构建过程中就会使用这个模型。
Settings.embed_model = embed_model

llm = HuggingFaceLLM(
    model_name="/root/models/internlm2-chat-1_8b",
    tokenizer_name="/root/models/internlm2-chat-1_8b",
    model_kwargs={"trust_remote_code":True},
    tokenizer_kwargs={"trust_remote_code":True}
)
#设置全局的llm属性，这样在索引查询时会使用这个模型。
Settings.llm = llm

#从指定目录读取所有文档，并加载数据到内存中
documents = SimpleDirectoryReader("./").load_data()
#创建一个VectorStoreIndex，并使用之前加载的文档来构建索引。
# 此索引将文档转换为向量，并存储这些向量以便于快速检索。
index = VectorStoreIndex.from_documents(documents)
# 创建一个查询引擎，这个引擎可以接收查询并返回相关文档的响应。
query_engine = index.as_query_engine()
response = query_engine.query("xtuner是什么?")

print(response)

    运行指令python llamaindex_RAG.py，运行效果图如下：

    img

  3. 使用streamlit部署模型

    新建app.py文件，代码如下：

    import streamlit as st
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.llms.huggingface import HuggingFaceLLM

st.set_page_config(page_title="llama_index_demo", page_icon="🦜🔗")
st.title("llama_index_demo")

# 初始化模型
@st.cache_resource
def init_models():
    embed_model = HuggingFaceEmbedding(
        model_name="/root/models/sentence-transformer"
    )
    Settings.embed_model = embed_model

    llm = HuggingFaceLLM(
        model_name="/root/models/internlm2-chat-1_8b",
        tokenizer_name="/root/models/internlm2-chat-1_8b",
        model_kwargs={"trust_remote_code": True},
        tokenizer_kwargs={"trust_remote_code": True}
    )
    Settings.llm = llm

    documents = SimpleDirectoryReader("./").load_data()
    index = VectorStoreIndex.from_documents(documents)
    query_engine = index.as_query_engine()

    return query_engine

# 检查是否需要初始化模型
if 'query_engine' not in st.session_state:
    st.session_state['query_engine'] = init_models()

def greet2(question):
    response = st.session_state['query_engine'].query(question)
    return response

      
# Store LLM generated responses
if "messages" not in st.session_state.keys():
    st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？"}]    

    # Display or clear chat messages
for message in st.session_state.messages:
    with st.chat_message(message["role"]):
        st.write(message["content"])

def clear_chat_history():
    st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？"}]

st.sidebar.button('Clear Chat History', on_click=clear_chat_history)

# Function for generating LLaMA2 response
def generate_llama_index_response(prompt_input):
    return greet2(prompt_input)

# User-provided prompt
if prompt := st.chat_input():
    st.session_state.messages.append({"role": "user", "content": prompt})
    with st.chat_message("user"):
        st.write(prompt)

# Gegenerate_llama_index_response last message is not from assistant
if st.session_state.messages[-1]["role"] != "assistant":
    with st.chat_message("assistant"):
        with st.spinner("Thinking..."):
            response = generate_llama_index_response(prompt)
            placeholder = st.empty()
            placeholder.markdown(response)
    message = {"role": "assistant", "content": response}
    st.session_state.messages.append(message)

    运行指令streamlit run app.py，设置端口映射，启动浏览器打开相对应网址，效果如下图：

    img

第5关

基础任务

  • 使用 XTuner 微调 InternLM2-Chat-1.8B 实现自己的小助手认知，如下图所示（图中的伍鲜同志需替换成自己的昵称），记录复现过程并截图。

1.　新建python文件，并执行，代码如下：

```python
import json

# 设置用户的名字
name = '捣蛋至尊'
# 设置需要重复添加的数据次数
n = 8000

# 初始化数据
data = [
    {"conversation": [{"input": "请介绍一下你自己", "output": "我是{}的小助手，内在是上海AI实验室书生·浦语的1.8B大模型哦".format(name)}]},
    {"conversation": [{"input": "你在实战营做什么", "output": "我在这里帮助{}完成XTuner微调个人小助手的任务".format(name)}]}
]

# 通过循环，将初始化的对话数据重复添加到data列表中
for i in range(n):
    data.append(data[0])
    data.append(data[1])

# 将data列表中的数据写入到'datas/assistant.json'文件中
with open('datas/assistant.json', 'w+', encoding='utf-8') as f:
    # 使用json.dump方法将数据以JSON格式写入文件
    # ensure_ascii=False 确保中文字符正常显示
    # indent=4 使得文件内容格式化，便于阅读
    json.dump(data, f, ensure_ascii=False, indent=4)
```

  1. 列出xtuner支持的所有配置文件：

    执行命令：xtuner list-cfg -p internlm2

    配置文件名的解释：

    以 internlm2_1_8b_full_custom_pretrain_e1 和 internlm2_chat_1_8b_qlora_alpaca_e3 举例：

    配置文件 internlm2_1_8b_full_custom_pretrain_e1 配置文件 internlm2_chat_1_8b_qlora_alpaca_e3 说明
    internlm2_1_8b internlm2_chat_1_8b 模型名称
    full qlora 使用的算法
    custom_pretrain alpaca 数据集名称
    e1 e3 把数据集跑几次

  2. 复制预设的配置文件

    执行命令：xtuner copy-cfg internlm2_chat_1_8b_qlora_alpaca_e3 .

    执行完命令后，当前文件夹出现一个名为internlm2_chat_1_8b_qlora_alpaca_e3_copy.py的新文件

  3. 对该配置文件进行以下修改

    #######################################################################
#                          PART 1  Settings                           #
#######################################################################
- pretrained_model_name_or_path = 'internlm/internlm2-chat-1_8b'
+ pretrained_model_name_or_path = '/root/InternLM/XTuner/Shanghai_AI_Laboratory/internlm2-chat-1_8b'

- alpaca_en_path = 'tatsu-lab/alpaca'
+ alpaca_en_path = 'datas/assistant.json'

evaluation_inputs = [
-    '请给我介绍五个上海的景点', 'Please tell me five scenic spots in Shanghai'
+    '请介绍一下你自己', 'Please introduce yourself'
]

#######################################################################
#                      PART 3  Dataset & Dataloader                   #
#######################################################################
alpaca_en = dict(
    type=process_hf_dataset,
-   dataset=dict(type=load_dataset, path=alpaca_en_path),
+   dataset=dict(type=load_dataset, path='json', data_files=dict(train=alpaca_en_path)),
    tokenizer=tokenizer,
    max_length=max_length,
-   dataset_map_fn=alpaca_map_fn,
+   dataset_map_fn=None,
    template_map_fn=dict(
        type=template_map_fn_factory, template=prompt_template),
    remove_unused_columns=True,
    shuffle_before_pack=True,
    pack_to_max_length=pack_to_max_length,
    use_varlen_attn=use_varlen_attn)

  4. 启动微调

    运行命令：xtuner train ./internlm2_chat_1_8b_qlora_alpaca_e3_copy.py

    运行完成后将在当前路径下生成新文件夹work_dirs

  5. 模型格式转换

    将生成的.pth模型转换成.hf格式模型

    运行如下命令：

    # 先获取最后保存的一个pth文件
pth_file=`ls -t ./work_dirs/internlm2_chat_1_8b_qlora_alpaca_e3_copy/*.pth | head -n 1`
export MKL_SERVICE_FORCE_INTEL=1
export MKL_THREADING_LAYER=GNU
xtuner convert pth_to_hf ./internlm2_chat_1_8b_qlora_alpaca_e3_copy.py ${pth_file} ./hf

    运行完成后将在当前路径下生成新文件夹hf

  6. 模型合并

    对于 LoRA 或者 QLoRA 微调出来的模型其实并不是一个完整的模型，而是一个额外的层（Adapter），训练完的这个层最终还是要与原模型进行合并才能被正常的使用。

    对于全量微调的模型（full）其实是不需要进行整合这一步的，因为全量微调修改的是原模型的权重而非微调一个新的 Adapter ，因此是不需要进行模型整合的。

    运行如下命令：

    export MKL_SERVICE_FORCE_INTEL=1
export MKL_THREADING_LAYER=GNU
xtuner convert merge /root/models/internlm2-chat-1_8b ./hf ./merged --max-shard-size 2GB

    运行完成后将在当前路径下生成新文件夹merged

  7. 部署微调后的模型

    执行以下命令，再次运行xtuner_streamlit_demo.py脚本：

    cp Tutorial/tools/xtuner_streamlit_demo.py ./

    # 直接修改脚本文件第18行
- model_name_or_path = "/root/InternLM/XTuner/Shanghai_AI_Laboratory/internlm2-chat-1_8b"
+ model_name_or_path = "./merged"

    streamlit run ./xtuner_streamlit_demo.py

    效果图如下：

    img

进阶任务

  • 用自己感兴趣的知识对基座模型进行增量预训练微调
  • 在资源允许的情况下，尝试实现多卡微调与分布式微调
  • 将自我认知的模型上传到 OpenXLab，并将应用部署到 OpenXLab

OpenXLab 部署教程：https://github.com/InternLM/Tutorial/tree/camp2/tools/openxlab-deploy

第6关

基础任务

  • 使用 OpenCompass 评测 internlm2-chat-1.8b 模型在 ceval 数据集上的性能，记录复现过程并截图。

  1. 准备环境，运行以下命令：

    git clone -b 0.2.4 https://github.com/open-compass/opencompass
cd opencompass
pip install -e .
apt-get update
apt-get install cmake  # 安装cmake
pip install -r requirements.txt
pip install protobuf

  2. 查看internlm和ceval相关配置文件

    执行命令：python tools/list_configs.py internlm ceval

    效果图如下：

    img

  3. 修改配置文件

    修改configs/models/hf_internlm/hf_internlm2_chat_1_8b.py，代码如下：

    from opencompass.models import HuggingFaceCausalLM
models = [
    dict(
        type=HuggingFaceCausalLM,
        abbr='internlm2-1.8b-hf',
        path="/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b",
        tokenizer_path='/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b',
        model_kwargs=dict(
            trust_remote_code=True,
            device_map='auto',
        ),
        tokenizer_kwargs=dict(
            padding_side='left',
            truncation_side='left',
            use_fast=False,
            trust_remote_code=True,
        ),
        max_out_len=100,
        min_out_len=1,
        max_seq_len=2048,
        batch_size=8,
        run_cfg=dict(num_gpus=1, num_procs=1),
    )
]

  4. 启动评估

    执行如下命令：

    export MKL_THREADING_LAYER=GNU
python run.py \
    --datasets ceval_gen \ # 数据集准备
    --models hf_internlm2_chat_1_8b \  # 模型准备
    --debug

  5. 查看评测结果

    评测结果自动导出到：outputs/default/YYMMDD_hhmmss/summary/summary_YYMMDD_hhmmss.csv

    效果图如下：

    img

进阶任务

  • 使用 OpenCompass 进行主观评测（选做）

  • 使用 OpenCompass 评测 InternLM2-Chat-1.8B 模型使用 LMDeploy部署后在 ceval 数据集上的性能（选做）

  1. 在opencompass/configs文件夹中新建文件eval_internlm_with_lmdeploy.py，代码如下：

    from mmengine.config import read_base


with read_base():
    from .datasets.ceval.ceval_gen import ceval_datasets
  from opencompass.configs.models.hf_internlm.lmdeploy_internlm2_chat_1_8b import models as internlm2_chat_1_8b

datasets = ceval_datasets  # 评测用的数据集
models = internlm2_chat_1_8b  # 评测用的模型

  2. 修改文件opencompass/configs/models/hf_internlm/lmdeploy_internlm2_chat_1_8b.py，代码如下：

    from opencompass.models import TurboMindModelwithChatTemplate

models = [
    dict(
        type=TurboMindModelwithChatTemplate,
        abbr='internlm2-chat-1.8b',
        path='/home/scy/models/internlm/internlm2-chat-1_8b',  # 修改为模型在本地的路径
        engine_config=dict(session_len=7168, max_batch_size=16, tp=1),
        gen_config=dict(top_k=1, temperature=1e-6, top_p=0.9, max_new_tokens=1024),
        max_seq_len=7168,
        max_out_len=1024,
        batch_size=16,
        run_cfg=dict(num_gpus=2),
    )
]

  3. 启动评测，运行以下命令（需切换到opencompass路径下）：

    python run.py configs/eval_internlm_with_lmdeploy.py

    效果图如下：

    img

  • 使用 OpenCompass 进行调用API评测（优秀学员必做）

  1. 在opencompass/configs文件夹中新建文件eval_internlm_with_lmdeploy_server_api.py，代码如下：

    from mmengine.config import read_base
from opencompass.models.turbomind_api import TurboMindAPIModel

with read_base():
    from .datasets.ceval.ceval_gen import ceval_datasets

meta_template = dict(
    round=[
        dict(role='HUMAN', begin='<|User|>:', end='\n'),
        dict(role='BOT', begin='<|Bot|>:', end='<eoa>\n', generate=True),
    ],
    eos_token_id=103028)


internlm_chat_1_8b = dict(
    type=TurboMindAPIModel,
    abbr='internlm2-chat-1_8b',
    api_addr='http://0.0.0.0:23333',
    api_key='internlm2',
    max_out_len=100,
    max_seq_len=2048,
    batch_size=16,
    meta_template=meta_template,
    run_cfg=dict(num_gpus=1, num_procs=2),
    end_str='<eoa>',
)

datasets = ceval_datasets  # 评测用的数据集
models = [internlm_chat_1_8b]  # 评测用的模型

  2. 启动评测，运行以下命令（需切换到opencompass路径下）：

    python run.py configs/eval_internlm_with_lmdeploy.py

    效果图如下：

    img

posted @ 2024-07-22 15:07  MaximeSHE  阅读(27)  评论(0)  编辑  收藏  举报